Wie kann KI die Sortiments- und Kollektionsplanung in der Mode unterstützen?

KI kann die Sortiments- und Kollektionsplanung unterstützen, indem sie die Nachfrage für jeden vorgeschlagenen Style schätzt, auch für neue ohne Verkaufshistorie, und Planern ermöglicht, alternative Sortimentsstrukturen rasch mit den Finanzzielen abzugleichen. Am besten funktioniert sie als analytischer Partner im Sortimentsreview: Sie zeigt Überschneidungen, Lücken und zu tief geplante Optionen auf, während Design und Merchandising die kreative Richtung bestimmen.

Was ist Sortimentsplanung in der Mode?

In der Sortimentsplanung (bei Marken oft Kollektions- oder Line-Planung, im Handel Assortment-Planung genannt) wird aus einem Finanzplan eine Kollektion. Planer entscheiden, wie viele Optionen jede Kategorie haben soll, wie sie sich auf Preislagen verteilen, wie hoch der Anteil an Neuheiten gegenüber Durchläufern ist, welche Farben angeboten werden und wie tief jede Option eingekauft wird. Das Ergebnis ist ein Sortimentsplan oder Line Sheet, das Design, Beschaffung und Einkauf steuert.

Die Schwierigkeit: Die meisten dieser Entscheidungen fallen Monate vor der Saison, für Produkte, die oft noch gar nicht existieren. Die traditionelle Planung stützt sich auf die Ergebnisse der letzten Saison, Kategoriereviews und Erfahrung, typischerweise in grossen Tabellen, die sich nur schwer aktualisieren lassen, wenn sich der Plan ändert.

Weil Sortimentsentscheidungen den Rahmen für jeden späteren Schritt festlegen, sind Fehler hier teuer: Eine Option, die nie ins Sortiment hätte aufgenommen werden dürfen, bindet Designzeit, Musterkosten, Mindestbestellmengen und Verkaufsfläche und endet meist in Abschriften.

Wo in der Sortimentsplanung kann KI helfen?

Lesen Sie auch

KI im Merchandising der Mode: was sie leistet, was sie braucht und wo sie scheitert

Wie prognostiziert KI neue Styles ohne Historie?

Der übliche Ansatz besteht darin, jeden neuen Style durch Attribute (Kategorie, Silhouette, Farbe, Stoff, Preis) und zunehmend durch sein Bild zu beschreiben, dann frühere Produkte mit ähnlichen Merkmalen zu finden und zu lernen, wie sie sich verkauft haben. Externe Signale können hinzukommen. Eine im Journal of Forecasting veröffentlichte Studie nutzte den VISUELLE-Datensatz, der 5577 neue Produkte enthält, die das italienische Fast-Fashion-Unternehmen Nunalie zwischen 2016 und 2019 verkaufte, mit Bildern, Metadaten und Verkäufen. Die Autoren kombinierten Produktbilder und Attribute mit Google-Trends-Daten und stellten fest, dass das externe Trendsignal die Prognosegenauigkeit gegenüber einem Verzicht darauf verbesserte.

Die Gewinne in solchen Studien sind real, aber bescheiden, und der Prognosefehler für neue Artikel bleibt weit höher als für durchlaufende Basics. Deshalb sind KI-Tools für die Sortimentsplanung am nützlichsten, um Optionen zu ranken und die Tiefe zu bemessen (welche Optionen einen tieferen Einkauf verdienen, welche flach getestet werden sollten), statt eine einzige verlässliche Zahl pro Style zu liefern.

Welche Unternehmen investieren in KI-gestützte Sortimentsplanung?

Veröffentlichte Beispiele betreffen meist grosse Händler, die ältere Planungstools ablösen. Im März 2025 kündigte Mango an, Merchandise-Finanzplanung, Sortimentsplanung und Bedarfsplanung mit einer integrierten, KI-gestützten Planungsplattform zu modernisieren, um fragmentierte, veraltete Systeme abzulösen. Mango hatte bereits ein breiteres KI-Programm beschrieben: Glossy berichtete 2024, dass das Unternehmen 15 KI-Plattformen betreibe, darunter Tools für die Preisgestaltung und eine Plattform für generative KI für Design- und Produktteams.

Im Januar 2024 kündigte Marks & Spencer ein dreijähriges Programm für sein Geschäft mit Bekleidung und Home an, das mit Merchandise-Planung, Umsatz-, Bestands- und Wareneingangsplanung sowie Sortimentsplanung beginnt und danach Prognose und Nachschub umfasst. Das Unternehmen erklärte, eine durchgängige Plattform werde es ihm ermöglichen, Daten und KI besser zur Entscheidungsfindung zu nutzen.

Welche Daten werden benötigt?

• Strukturierte Produktattribute für frühere und geplante Styles, einheitlich gepflegt (ein unscharfes Attribut wie «casual» ist weit weniger nützlich als Silhouette, Stoff und Passform).
• Produktbilder, die mit den Artikelstammdaten verknüpft sind, falls bildbasierte Ähnlichkeit genutzt wird.
• Verkaufs-, Bestands- und Abschriftenhistorie pro Option, damit das Modell die Vollpreis-Performance lernt und nicht nur Stückzahlen.
• Der Finanzplan nach Kategorie und Zeitraum, damit das Sortiment mit den Budgets übereinstimmt.
• Externe Signale, wo verfügbar, etwa Suchtrends, mit Vorsicht eingesetzt und auf ihren tatsächlichen Prognosewert getestet.

Welche Risiken birgt KI in der Sortimentsplanung?

1. Vereinheitlichung: Modelle belohnen Styles, die früheren Gewinnern ähneln. Ohne bewussten Raum für Neuheiten können Sortimente in die sichere Mitte abdriften.
2. Scheinpräzision: Eine stückgenaue Prognose für einen neuen Style suggeriert eine Sicherheit, die es nicht gibt; Bandbreiten und Konfidenzniveaus sind ehrlicher.
3. Fortgeschriebene Verzerrung: Optionen, die zu knapp eingekauft oder schlecht präsentiert wurden, wirken in der Historie schwach und werden erneut gestrichen.
4. Prozesspassung: An Sortimentsreviews sind Design, Merchandising und Vertrieb beteiligt; ein Tool, das nur ein Team nutzt, verändert Entscheidungen selten.

Lesen Sie auch

KI in der Sortimentsplanung nutzen, ohne die Marke zu verlieren

Wie sollte ein Team KI in die Sortimentsplanung einführen?

Beginnen Sie mit einer Analyse der letzten zwei oder drei Saisons: Welche Optionen waren überflüssig, welche Preisbänder blieben hinter den Erwartungen zurück, wo wurde die Tiefe falsch eingeschätzt? Nutzen Sie dies, um Vertrauen in die Daten aufzubauen. Setzen Sie das Modell dann im Sortimentsreview einer Kategorie als Zweitmeinung ein, dokumentieren Sie, wo Planer anderer Meinung sind, und prüfen Sie am Saisonende, wer näher lag. Mit der Zeit kann das Modell mehr Rechenarbeit übernehmen, während sich das Sortimentsreview auf Markenrichtung und Risikobereitschaft konzentriert.

Das Ziel ist ein Sortimentsplan, der schneller erstellt, leichter geändert und beim Risiko explizit ist, nicht einer, der von einem Algorithmus geschrieben wird.